suppressPackageStartupMessages({
library(sf)
library(dplyr)
library(tmap)
library(tidyr)
library(INLA)
})
source("src/spde-book-functions.R")
tmap_mode("view")High Plains Wheat Mosaic Virus (HPWMoV) en cultivos de maíz y trigo
Presentación de los Datos
Se sistematizó información desde la primera detección en el pais del virus.
Se generó un registro de presencia/ausencia georreferenciado según año y localidad de muestreo.
Contamos con 169 observaciones para HPWMoV en maíz y 451 obsevaciones en trigo.
Las observaciones no estan alineadas
trigo_maiz <- st_read("data/trigo_maiz_26_09_22.gpkg", quiet = TRUE)
st_geometry(trigo_maiz) <- 'geometry'
trigo_maiz$HPV <- as.factor(trigo_maiz$HPV)
hpv_maiz <- trigo_maiz |>
filter(Especie == "Maíz" & !is.na(HPV))
hpv_trigo <- trigo_maiz |>
filter(Especie == "Trigo" & !is.na(HPV)) tm_shape(hpv_maiz) +
tm_dots("HPV", title = "HPV en Maiz", pal = "Dark2") +
tm_shape(hpv_trigo) +
tm_dots("HPV", title = "HPV en Trgio", pal = "Set1")Complementariamente, se obtuvieron 117 variables biometeorológicas, usando la plataforma ERA5, en el periodo comprendido entre agosto del año en que se tomo la muestra y agosto del año siguiente.
Selección de variables
Se identificó la importancia de cada variable climática para cada patosistema con el algoritmo boruta y la selección de variables stepwise.
Las variables biometeorológicas que favorecieron la presencia de HPWMoV en Maíz fueron las precipitaciones elevedas en el mes de Enero y temperatura de punto de rocío alta en el mes de Mayo
En trigo HPWMov se vio favorecido por precipitaciones elevadas en Enero y temperaturas bajas en Junio.
Modelación
La distribución de la presencia de estos virus se modeló con una regresión bayesiana de efectos mixtos y estructura espacial conjunta de las muestras sobre Trigo y Maíz estimada via SPDE considerando una malla común.
\[ \log{\left(\frac{p_{i.maíz}(S)}{1-p_{i.maiz}(S)}\right)} = \\ \alpha_{maíz} + x_{i1}(S)\beta_{1.maíz} + x_{i2}(S)\beta_{2.maíz} + x_{i3}(S)\beta_{3.maíz} + Z_{maíz}(S) + e_{maíz}(S) \]
\[ \log{\left(\frac{p_{i.trigo}(S)}{1-p_{i.trigo}(S)}\right)} = \\ \alpha_{trigo} + x_{i1}(S)\beta_{4.trigo} + x_{i5}(S)\beta_{5.trigo} + \lambda Z_{maíz}(S) + Z_{trigo} (S) + e_{trigo} (S) \]
donde \(\log{\left(\frac{p_ij}{1 - p_ij}\right)}\) es la funcion de enlace. \(x_1\) es el total de precipitaciones del mes de enero, \(x_2\) es la temperatura punto rocío del mes de mayo y \(x_3\) es el año en el que se tomo la muestra y \(x_4\) es la temperatura del mes de junio.
Armado del modelo
Cargamos la base de datos
trigo_hpv_sf2 <- st_read("data/trigo_hpv.gpkg",quiet = TRUE)
st_geometry(trigo_hpv_sf2) <- 'geometry'Cargamos los limites de la region donde hay datos
limites2 <- st_read("data/limites2.gpkg", quiet = TRUE)
st_geometry(limites2) <- 'geometry'tm_shape(trigo_hpv_sf2) +
tm_dots() +
tm_shape(limites2) +
tm_polygons(alpha = 0)